Pular para conteúdo

Quiz

Clique em "Resposta" para revelar a resposta correta e a explicação.


SLI / SLO / SLA / Error Budget

Q1. Por que a utilização de CPU é um mau indicador de nível de serviço (SLI, service level indicator)?

  • A. É difícil demais de medir com precisão com as ferramentas modernas
  • B. Ela mede o estado da infraestrutura, não a qualidade percebida pelo usuário — um serviço pode estar com 95% de CPU e atender todas as requisições corretamente, ou com 5% de CPU e estar completamente fora do ar
  • C. As métricas de CPU são zeradas a cada reinício do container, tornando impossível acompanhar tendências
  • D. Ela não é suportada pelo Prometheus nem pelo Grafana
Resposta

B — Mede a infraestrutura, não a experiência do usuário.

Um bom SLI reflete se o usuário está obtendo valor do serviço. A utilização de CPU se correlaciona mal com a experiência do usuário — um serviço limitado por CPU ainda pode responder corretamente, enquanto um serviço com a CPU ociosa pode estar fora do ar por causa de um deadlock. Use taxa de sucesso das requisições, percentis de latência ou taxa de erros.


Q2. Para um objetivo de nível de serviço (SLO, service level objective) de 99,9% de disponibilidade em 28 dias, aproximadamente quantos minutos de indisponibilidade são permitidos?

  • A. ~4,03 minutos
  • B. ~40,3 minutos
  • C. ~403 minutos
  • D. ~8,77 horas
Resposta

B — ~40,3 minutos.

28 dias × 24 h × 60 min = 40.320 minutos e 0,1% disso é ≈ 40,3 minutos. O valor de ~43,8 minutos que aparece em muitas tabelas de "noves" é para um mês de calendário médio (365,25 / 12 ≈ 30,44 dias) e 8,77 horas é o orçamento de um ano inteiro. Sempre calcule o orçamento para a janela que o SLO de fato usa.


Q3. O que acontece com as prioridades do trabalho de engenharia quando o error budget se esgota?

  • A. O SLO é automaticamente relaxado para 99,5% pelo restante da janela
  • B. A equipe de operações assume todos os deploys até o início da próxima janela
  • C. Deploys não essenciais são congelados e o trabalho de confiabilidade passa a ter prioridade sobre novas funcionalidades até o orçamento se recuperar
  • D. A equipe aciona o engenheiro de plantão, que precisa aprovar todos os commits seguintes
Resposta

C — Deploys não essenciais congelados; trabalho de confiabilidade priorizado.

O error budget é a licença da equipe para assumir riscos. Quando ele acaba, novos deploys arriscados levariam a violação do SLO de "possível" para "garantida". A política de orçamento cria um mecanismo objetivo e baseado em dados para os engenheiros de confiabilidade (SRE, site reliability engineering) e a gerente de produto (PM, product manager) chegarem a um acordo: "acabou o orçamento nesta janela, as funcionalidades esperam."


Q4. Qual é a distinção fundamental entre um SLO e um acordo de nível de serviço (SLA, service level agreement)?

  • A. Um SLO se aplica a APIs; um SLA se aplica a bancos de dados
  • B. Um SLO é uma meta interna de engenharia (mais estrita); um SLA é um contrato jurídico com os clientes, com consequências financeiras se for violado (mais tolerante)
  • C. SLOs são medidos em porcentagens; SLAs são medidos em minutos absolutos de indisponibilidade
  • D. SLOs expiram após 28 dias; SLAs são permanentes até serem renegociados
Resposta

B — SLO = meta interna (mais estrita); SLA = contrato jurídico (mais tolerante).

A folga entre SLO e SLA é intencional: se o seu SLO é 99,95% e o seu SLA é 99,9%, você pode violar a meta interna sem disparar penalidades contratuais. Essa margem dá à equipe um aviso antecipado antes que o compromisso com o cliente esteja em risco.


Q5. Uma burn rate de 14,4× em uma janela de SLO de 28 dias significa o quê, na prática?

  • A. O serviço está se saindo 14,4× melhor do que o SLO exige
  • B. 14,4% do error budget foi consumido na última hora
  • C. O error budget vai se esgotar em exatamente 14,4 dias
  • D. O error budget será totalmente consumido em aproximadamente 48 horas — um alerta crítico que exige resposta imediata
Resposta

D — Orçamento esgotado em ~48 horas.

Burn rate 1 = consumir o orçamento exatamente no ritmo que o SLO permite. Burn rate 14,4 = consumi-lo 14,4× mais rápido. Um orçamento de 28 dias a uma burn rate de 14,4× se esgota em 28/14,4 ≈ 1,94 dia ≈ 47 horas. Esse é o limite a partir do qual se justifica acionar o plantão imediatamente — o incidente avança rápido demais para ser resolvido no próximo dia útil. (Em uma hora, uma burn rate de 14,4× consome cerca de 2% do orçamento, que é como o SRE Workbook deriva esse número.)


Q6. Qual é a diferença entre o tempo médio até a falha (MTTF, mean time to failure) e o tempo médio de reparo (MTTR, mean time to repair) e qual alavanca é mais rápida de melhorar durante um incidente em produção?

  • A. MTTF é a frequência de falhas; MTTR é o tempo de reparo — o MTTF é mais rápido de melhorar
  • B. MTTF é o tempo médio até a falha (quanto tempo até quebrar); MTTR é o tempo médio de reparo (quanto tempo para consertar) — o MTTR é mais rápido de melhorar durante um incidente em andamento
  • C. São equivalentes; melhorar um melhora automaticamente o outro
  • D. O MTTF mede falhas de software; o MTTR mede falhas de hardware
Resposta

B — MTTF = tempo até a falha; MTTR = tempo de reparo; o MTTR é mais rápido de melhorar durante um incidente.

Durante um incidente em andamento, você não consegue evitar a falha retroativamente (ela já aconteceu). O que você controla é o MTTR: detecção mais rápida (alertas), diagnóstico mais rápido (runbooks, rastreamento distribuído) e mitigação mais rápida (feature flags, procedimentos de rollback). No longo prazo, o MTTF melhora com testes melhores e projeto tolerante a falhas.


Q7. O page de queima rápida do serviço de pedidos exige que a burn rate em 1 hora e em 5 minutos esteja acima de 14,4 ao mesmo tempo. O que a janela de 5 minutos acrescenta?

  • A. Faz o alerta disparar mais rápido do que uma janela de 1 hora sozinha conseguiria
  • B. Faz o page parar poucos minutos depois que os erros param, em vez de deixar a média de 1 hora mantê-lo disparando durante boa parte de uma hora
  • C. Reduz a fração do orçamento que precisa ser gasta antes que alguém seja acionado
  • D. Filtra os erros causados pelos clientes (4xx)
Resposta

B — A janela curta deixa o alerta parar logo depois do incidente.

A janela longa prova que uma parte relevante do orçamento foi gasta (14,4× por 1 hora ≈ 2%); a curta prova que ele ainda está queimando agora. Sem ela, a média de 1 hora ainda contém os minutos ruins depois da correção: no simulador da página, o deploy ruim mantém uma regra de janela única acionando 58 minutos depois do rollback, contra 4 minutos com as duas janelas. A janela curta não acelera a detecção (A) — enquanto o incidente dura, a janela longa é a mais exigente.


Padrões de Resiliência

Q8. Em que estado um circuit breaker entra depois que seu tempo de espera no estado Open expira?

  • A. Closed — ele assume automaticamente que o serviço se recuperou
  • B. Failed — ele exige intervenção manual para ser restaurado
  • C. Half-Open — ele permite um número limitado de requisições de teste para verificar se o serviço se recuperou
  • D. Degraded — ele deixa passar o tráfego a 50% da taxa normal
Resposta

C — Half-Open.

O estado Open bloqueia todas as requisições. Após o tempo de espera configurado (por exemplo, 30 segundos), o breaker passa para Half-Open e libera um pequeno número de chamadas de teste (o Resilience4j muda na próxima chamada, a menos que a transição automática esteja ligada). Se as taxas de falha e de chamadas lentas delas ficarem abaixo dos limites, o serviço se recuperou e o breaker fecha; caso contrário, volta para Open por mais uma espera.


Q9. Por que você nunca deve fazer retry de um POST /orders não idempotente sem salvaguardas adicionais?

  • A. POST não pode ser repetido no nível do protocolo HTTP
  • B. O servidor retornará 405 Method Not Allowed na segunda tentativa
  • C. Cada retry pode criar um pedido duplicado — retries só são seguros para operações idempotentes ou protegidas por chaves de idempotência
  • D. Circuit breakers bloqueiam automaticamente todos os retries de requisições POST
Resposta

C — Cada retry pode criar um pedido duplicado.

POST /orders cria um novo recurso a cada chamada. Se a requisição tiver sucesso no servidor, mas a resposta se perder (partição de rede), um retry criará um segundo pedido. Retries seguros para operações não idempotentes exigem uma chave de idempotência — um ID único gerado pelo cliente, que o servidor usa para detectar e deduplicar requisições repetidas.


Q10. Que problema a adição de jitter ao backoff exponencial resolve?

  • A. Impede que o atraso do backoff cresça indefinidamente
  • B. Garante que todos os clientes usem o mesmo intervalo de retry, para ser previsível
  • C. Quebra a manada estrondosa (thundering herd) — sem jitter, todos os clientes que falharam ao mesmo tempo repetem nos mesmos instantes, gerando picos de carga no serviço que está se recuperando
  • D. Torna aleatório qual servidor de backend atende a requisição repetida
Resposta

C — Quebra a manada estrondosa.

Imagine 1.000 clientes falhando todos em t = 0 e repetindo em t = 1 s, 3 s e 7 s em perfeita sincronia. Cada onda de retries atinge o serviço em recuperação com um pico enorme, podendo fazê-lo falhar de novo. Adicionar jitter aleatório espalha os retries por uma janela de tempo, convertendo um pico em um fluxo contínuo administrável.


Q11. Quais padrões se combinam para formar uma cadeia de chamadas com defesa em profundidade? Escolha a resposta mais completa.

  • A. Só circuit breaker + timeout — os outros adicionam complexidade desnecessária
  • B. Rate limiter → retry com backoff → circuit breaker → bulkhead → timeout
  • C. Balanceador de carga → health check → circuit breaker
  • D. Retry com backoff → bulkhead → rate limiter → timeout
Resposta

B — Rate limiter → retry com backoff → circuit breaker → bulkhead → timeout.

Cada camada trata um cenário de falha distinto: o rate limiter recusa o tráfego em excesso na borda antes que ele custe algo; o retry trata falhas transitórias e fica fora do breaker, para que um breaker aberto interrompa os retries na hora; o circuit breaker vê cada tentativa, timeouts incluídos; o bulkhead limita as threads que as tentativas podem prender; o timeout, mais interno, limita cada tentativa. Essa é a ordem padrão do Resilience4j (Retry ( CircuitBreaker ( … ( Bulkhead ( call ) ) ) )) e a ordem do handler de resiliência padrão do .NET. C e D deixam de fora camadas essenciais.


Q12. Duas réplicas do gateway, cada uma disponível 99% do tempo e falhando de forma independente, ficam atrás do Nginx. Qualquer uma das réplicas consegue atender todo o tráfego. Qual é a disponibilidade da camada do gateway (ignorando o Nginx)?

  • A. 98,01%
  • B. 99%
  • C. 99,5%
  • D. 99,99%
Resposta

D — 99,99%.

Em paralelo, a camada só fica fora do ar quando as duas réplicas estão fora ao mesmo tempo: 0,01 × 0,01 = 0,0001, então a disponibilidade = 1 − 0,0001 = 99,99%. A opção A (0,99²) é a fórmula para componentes em série, em que todos precisam funcionar. O resultado só vale se as falhas forem independentes — duas réplicas no mesmo nó ou com a mesma configuração errada falham juntas.


Q13. A liveness probe do serviço de pedidos chama o banco de dados e falha quando ele está inacessível. O banco fica fora do ar por 15 segundos. O que acontece no Kubernetes?

  • A. Nada — o Kubernetes ignora falhas de liveness com menos de um minuto
  • B. Os pods são removidos dos endpoints do Service até o banco voltar e então recebem tráfego de novo
  • C. Todas as réplicas falham a liveness ao mesmo tempo e são reiniciadas, então uma oscilação curta do banco vira uma indisponibilidade total enquanto todas as JVMs sobem de novo
  • D. Só uma réplica é reiniciada, porque o Kubernetes reinicia os pods um de cada vez
Resposta

C — Todas as réplicas reiniciam juntas.

A liveness responde "este processo está travado?"; uma falha dispara um reinício. Como todas as réplicas dependem do mesmo banco, todas falham a liveness juntas e são todas reiniciadas, transformando um soluço de 15 segundos em minutos de indisponibilidade. A opção B descreve o que uma falha de readiness faz. Mantenha as dependências externas fora da liveness.


Q14. O gateway, o serviço de pedidos e seu cliente Feign para o serviço de produtos fazem, cada um, até 3 tentativas em chamadas que falham. O serviço de produtos começa a falhar. Quantas chamadas uma única requisição de usuário pode gerar ao serviço de produtos, no pior caso?

  • A. 3
  • B. 9
  • C. 27
  • D. 81
Resposta

C — 27 (3 × 3 × 3).

Retries em cada camada se multiplicam: cada uma das 3 tentativas do gateway chega ao serviço de pedidos, que faz 3 tentativas, cada uma das quais o cliente Feign tenta 3 vezes. Essa amplificação de retries atinge o serviço em dificuldade com mais força justamente quando ele está mais fraco. Faça retry em uma única camada, limite as tentativas, use backoff com jitter e pare de repetir quando o circuit breaker estiver aberto.


Q15. Um cliente envia POST /orders com o cabeçalho Idempotency-Key: k-42. O servidor cria o pedido, mas a resposta se perde e o cliente faz retry com a mesma chave. O que o servidor deve fazer?

  • A. Criar um segundo pedido, porque todo POST cria um novo recurso
  • B. Retornar 409 Conflict e pedir que o cliente gere uma nova chave
  • C. Reconhecer a chave como já processada e retornar o resultado da primeira requisição, sem criar outro pedido
  • D. Apagar o primeiro pedido e criar um novo para manter os dados consistentes
Resposta

C — Retornar o resultado armazenado para a mesma chave.

A chave de idempotência identifica uma operação lógica. O servidor guarda as chaves que já processou (com seus resultados), de modo que uma chave repetida devolve a resposta original em vez de duplicar o pedido. Isso torna seguro fazer retry de um POST não idempotente.


Q16. O gateway espera no máximo 3 s pelo serviço de pedidos. O serviço de pedidos chama o de produtos com read timeout de 1 s, 3 tentativas e esperas de 0,5 s e depois 1 s. O que acontece quando o serviço de produtos para de responder?

  • A. Nada dá errado: cada tentativa é limitada a 1 s
  • B. O serviço de pedidos precisa de até 4,5 s, então o gateway responde 504 em 3 s enquanto o serviço de pedidos continua repetindo para ninguém
  • C. O gateway também faz retry, então o cliente espera 9 s
  • D. O circuit breaker abre depois da primeira tentativa
Resposta

B — 1 + 0,5 + 1 + 1 + 1 = 4,5 s, mais do que os 3 s que alguém espera.

Timeouts se aninham: tentativas × timeout + esperas precisam caber no prazo de quem chama. Aqui a terceira tentativa roda depois que o gateway já desistiu — trabalho desperdiçado e carga extra sobre um serviço com dificuldades. Ajuste o orçamento: 2 tentativas (2,5 s), um read timeout menor ou um prazo propagado com a requisição.


Q17. Um breaker está configurado com slow-call-duration-threshold: 2s, enquanto o read timeout do Feign é de 1 s. O serviço de produtos passa a responder em 3 s. O que a regra de chamada lenta faz?

  • A. Abre o breaker depois de 2 s
  • B. Nada: nenhuma chamada termina depois de 2 s — cada uma falha em 1 s como timeout —, então nenhuma chamada é contada como lenta; só a taxa de falhas pode abrir o breaker
  • C. Dobra o read timeout para 2 s
  • D. Conta cada chamada como lenta e com falha, abrindo o breaker duas vezes mais rápido
Resposta

B — Um limite de chamada lenta acima do timeout nunca vê uma chamada lenta.

O limite de chamada lenta precisa ficar abaixo do timeout (a página usa 500 ms com um timeout de 1 s), para que o breaker reaja a chamadas lentas que ainda terminam. Lembre também que chamadas lentas têm sua própria taxa (slow-call-rate-threshold, padrão 100%): elas não são somadas à taxa de falhas.


Engenharia do Caos

Q18 (bônus). O primeiro Princípio da Engenharia do Caos exige estabelecer um estado estável antes de injetar falhas. A que se refere "estado estável"?

  • A. Um congelamento de deploys em que nenhuma alteração de código é feita durante o experimento
  • B. Uma referência mensurável do comportamento normal do sistema, expressa como SLIs — taxa de requisições, taxa de erros, latência —, contra a qual o impacto do experimento é avaliado
  • C. Um estado em que todos os serviços rodam exatamente a 50% da capacidade
  • D. A configuração do sistema no último deploy reconhecidamente bom
Resposta

B — Referência mensurável de SLIs.

Você não consegue determinar se a injeção de uma falha causou degradação a menos que saiba como é o "normal". A hipótese de estado estável é: "Mesmo com a condição X injetada, o sistema continuará exibindo [valores específicos de SLI]." Refutar a hipótese é uma descoberta — o sistema não trata aquela condição como foi projetado.